加权双部网络的 Bi-SCORE 及其在知识来源发现中的应用
统计方法学
2025-09-01 v1
摘要
引用网络中的社区检测为理解知识流动与识别学科内部核心研究领域提供了强大的方法。本研究聚焦于统计学领域的知识来源发现，通过分析由 2001 年至 2023 年发表于八个核心期刊的 16,119 篇文章构成的加权双部期刊引用网络。为捕捉引用行为的内在非对称性，我们显式保留网络的双部结构，区分引用方与被引用方。为此，我们提出了 Bi-SCORE（Bipartite Spectral Clustering on Ratios-of-Eigenvectors），一种针对加权双部网络中具有度异质性的社区检测的计算高效且无需初始化的谱方法。我们在加权双部度校正随机块模型下，对 Bi-SCORE 的性能提供了严格的理论保证。此外，模拟研究表明其在不同稀疏度和度异质性水平下的鲁棒性，其中表现优于现有方法。当应用于真实世界的引用网络时，Bi-SCORE 揭示了六个社区结构，对应统计学中的关键研究领域，包括应用统计、方法论、理论、计算与计量经济学。这些发现为统计学期刊之间的复杂引用模式与知识流动提供了宝贵的洞见。
引用
@article{arxiv.2508.21467,
title = {Bi-SCORE for Weighted Bipartite Networks with Application in Knowledge Source Discovery},
author = {Zicheng Xie and Rui Pan and Yan Zhang},
journal= {arXiv preprint arXiv:2508.21467},
year = {2025}
}